写在前面
大家好,这里是立志于在有生之年看到并参与通用人工智能开发工作的Nobody,由于最近在公司要经常性地接触大数据工具,所以打算开一个大专栏对大数据工具进行学习总结整理。之前我们过完了MySQL的基础部分和进阶部分,我们现在来到了大数据工具的Hadoop。
一、大数据概述
大数据:
- 狭义上:使用分布式技术完成海量数据的处理,得到数据背后蕴含的价值
- 广义上:数字化时代、信息化时代的基础支撑,以数据为生活赋能
- 海量的数据
- 基础设施
- 生活
- 五个主要特征:从海量的高增长、多类别、低信息密度的数据中挖掘出高质量的结果
- 数据体量大:采集、存储和计算数据量大
- 种类、来源多样化
- 低价值密度:信息海量但是价值密度低
- 速度快:数据增长、获取数据和数据处理速度快
- 数据质量高
二、大数据软件生态
大数据核心工作主要分为以下三个部分,每个部分又拥有自己的大数据软件
- 数据存储
- Apache Hadoop - HDFS:Apache Hadoop框架内的组件HDFS是大数据体系中使用最为广泛的分布式存储技术
- Apache HBase:Apache HBase是大数据体系内使用非常广泛的NoSQL KV型数据库技术,HBase是基于HDFS之上构建的
- 数据计算
- Apache Hadoop - MapReduce:Apache Hadoop - MapReduce组件是最早一代的大数据分布式计算引擎
- Apache Hive:Apache Hive是一款以SQL为开发语言的分布式计算框架,其底层使用了Hadoop的MapReduce技术
- Apache Spark
- Apache Flink
- 数据传输
- Apache Kafka:一款分布式的消息系统,可以完成海量规模的数据传输工作
大数据每个部分都有自己对应的软件,以上列到的都是主流使用的软件,其中还有不少其他的大数据软件,但是本专栏将只对以上提到的软件进行学习总结整理
三、Hadoop概述
Hadoop是Apache软件基金会下的顶级开源项目,用以提供:
- 分布式数据存储
- 分布式数据计算
- 分布式资源调度
为一体的整体解决方案
Apache Hadoop是典型的分布式软件框架,可以部署在1台甚至上千台服务器节点上协同工作,个人或企业可以借助Hadoop构建大规模服务器集群,完成海量数据的存储和计算
通常意义上,Hadoop是一个整体,其内部还会细分为三个功能组件,分别是:
- HDFS组件:HDFS是Hadoop内的分布式存储组件,可以构建分布式文件系统用于数据存储
- MapReduce组件:MapReduce是Hadoop内分布式计算组件,提供编程接口供用户开发分布式计算程序
- YARN组件:YARN是Hadoop内分布式资源调度组件,可供用户整体调度大规模集群的资源使用
四、分布式存储
-
为什么需要分布式存储
假设我们有一台服务器和一个100TB的文件,服务器无法存储下那么大的文件,那么就需要用多个服务器,将文件分为多个部分,将每个部分文件存储到对应的服务器。分布式不仅仅是解决了能存的问题,多台服务器协同工作带来的也是性能的横向扩展。
-
分布式的基础架构分析
- 去中心化模式:没有明确的中心,众多服务器之间基于特定规则进行同步协调
- 中心化模式:以其中一台服务器为中心,该服务器可以调度其他服务器,进行统一只会,统一调度,避免混乱,这种模式也被称为一主多从模式,简称主从模式。大数据框架大多数的基础架构上,都是符合中心化模式的
-
HDFS的基础架构
-
HDFS是Hadoop三大组件之一,全称为Hadoop Distributed File System(Hadoop分布式文件系统),是Hadoop技术栈内提供的分布式数据存储解决方案,可以在多台服务器上构建存储集群,存储海量的数据。
-
HDFS集群有主角色NameNode、从角色DataNode和主角色辅助角色SecondaryNameNode,其关系如下图
-
markdown
* NameNode:HDFS系统的主角色,是一个独立的进程,负责管理HDFS整个文件系统,负责管理DataNode
* DataNode:HDFS系统的从角色,是一个独立进程,主要负责数据的存储,即存入数据和取出数据
* SecondaryNameNode:NameNode的辅助,是一个独立进程,主要帮助NameNode完成元数据整理工作
五、大数据环境
这里我为了方便,就在网上找了一套搭建好所需大数据环境的三套虚拟机,分别为Node1、Node2和Node3,其中安装好了hadoop、spark、hive等大数据环境,大家有需要的可以评论一下,我私发给大家。